上海理工大学学报 第３３卷第１期 Ｊ．Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｖｏ１．３３ Ｎｏ．１ ２０１１ 文章编号：１００７—６７３５（２０１１）Ｏ１—００４７—０６ 基于复杂网络理论的时间序列分析 赵丽丽 ， 唐镇 ， 王建勇 ， 王建波 ， 杨会杰 ２０００９３；２．邢台学院物理系，邢台０５４００１） （１．上海理工大学管理学院，上海摘要：综述了复杂网络理论应用于时间序列分析的研究进展．报道了对这些问题开展的一些探索 性的工作，包括混合序列中不同成分的竞争、二维地貌的复杂网络描述、多种序列分析方法的联合 应用等． 关键词：时间序列分析；复杂网络；可见图；地貌 中图分类号：Ｎ ９４１ 文献标志码：Ａ Ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｕｐｏｎ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ＺＨＡＯ Ｌｉ．１ｉ ，ＴＡＮＧ Ｚｈｅｎ ，ＷＡＮＧ Ｊｉａｎ．ｙｏｎｇ ，ＷＡＮＧ Ｊｉａｎ—ｂｏ ，ＹＡＮＧ Ｈｕｉ—ｊｉｅ （１．Ｂｕｓｉｎｅｓｓ Ｓｃｈｏｏｌ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２０００９３，Ｃｈｉｎａ； ２．Ｄｅｐａｒｔｍｅｎｔ ｏｆＰｈｙｓｉｃｓ，Ｘｉｎｇｔａｉ Ｃｏｌｌｅｇｅ，Ｘｉｎｇｔａｉ ０５４００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｐｒｏｇｒｅｓｓ ｉｎ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｕｐｏｎ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ ｗａｓ ｒｅｖｉｅｗｅｄ ｉｎ ｄｅｔａｉｌ．Ｓｏｍｅ ａｄｖａｎｃｅｓ ｗｅｒｅ ｒｅｐｏｉｔｅｄ ｏｎ ｔｈｅ ｅｓｓｅｎｔｉａｌ ｐｒｏｂｌｅｍｓ ｉｎ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｔｈｅｏｒｉｅｓ ａｎｄ ｍｅｔｈｏｄｓ ｗｉｔｈ ｒｅａｌ—ｗｏｒｌｄ ｔｉｍｅ ｓｅｒｉｅｓ，ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｃｏｍｐｅｔｉｔｉｏｎｓ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｍｉｘｔｕｒｅ ｅｒｉｓｅｓ，ｎｅｔｗｏｒｋ ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ ｌａｎｄｓｃａｐｅｓ，ａｎｄ ｔｈｅ ｊｏｉｎｔ ｕｓｅ ｏｆ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｔｏｏｌｓ． Ｋｅｙ ｗｏｒｄｓ：ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ；ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ；ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈ；ｌａｎｄｓｃａｐｅ 物理理论是时间序列分析技术发展的一个基本 的节点和边代表元素和它们之间的关系．复杂网络 弱化元素之间的作用细节，而着重体现元素之间的 相互作用关系的拓扑结构，从而凸显这种结构与复 源泉＿１ ］．物理学理论的每一个进步，往往首先被用 于时间序列分析．混沌、分形、自组织临界、随机介 质、少数者博弈理论等的发展，给时间序列分析注入 了新的思想和技术手段，是非线性时间序列分析的 理论和思想基础．复杂网络理论是近年来发展起来 杂系统性质之间的关系．随着信息技术的发展，各个 学科领域积累了海量的原始数据，从这些数据中提 取复杂系统的信息，是当前的基本任务．复杂网络理 论已经成为完成这一任务的最有希望的候选技术方 法．实际上复杂网络理论已经成为很多学科发展的 的统计物理的一个重要分支［４］．一个复杂系统的诸 多元素及其之间的关系，可以用复杂网络描述．网络 收稿日期：２０１０—１２—３１ 基金项目：上海市重点学科建设资助项目（Ｓ３０５０１）；国家自然科学基金资助项目（１０９７５０９９，１０６３５０４０） 作者简介：赵丽丽（１９８５一），女，硕士研究生．研究方向：系统理论． 杨会杰（联系人），男，教授．研究方向：经济和生物复杂系统．Ｅ－ｍａｉｌ：ｈｊｙａｎｇ＠ｕｓｔｃ．ｅｄｕ．ｃｎ 上海理工大学学报 ２０１１年第３３卷 新视角和指导思想，如系统生物学¨５］．近年来一个活 跃的研究课题是试图把复杂网络理论应用于时间序 定阈值的方法，也就是同时调相空间维数和阈值，使 得在一个很宽的参数范围内，度分布服从的函数形 式不变，并且拟合参数不再变化，该稳定区被认为反 映了序列本身的一些固有的性质．这种方法应用于 现实中的时间序列，发现能够很好地反映不同股票 序列之间的差异．当然，这种方法也存在问题，要想 列分析，从复杂网络这一全新的视角出发，发展一套 从时问序列映射到复杂网络的方法．期望能够提取 到新的序列结构特征，从而深入认识复杂系统的结 构和动力学机制．这些方法将应用于金融、生理医 学、生物等序列分析中． 准确地估计两个状态变量间的相关系数，通常需要 足够大的嵌入维数，因此就会丢失序列上的局部信 文献中已经建议了多种时间序列映射到复杂网 络的方案，但是这些方法的有效性都是采用理论模 型产生的标准序列验证的．当用于现实中的时问序 列分析时，必须回答的问题包括：时间序列非定态对 网络结构的影响、环境噪声和统计涨落对网络结构 的影响及复杂网络能够提供哪些其它序列分析方法 不能得到的性质．也就是复杂网络应用于序列分析 的优势和局限性．笔者综述了当前时间序列复杂网 络研究的进展，并对上述３个问题进行一些探索． １ 时间序列的复杂网络分析进展 文献［６—８］采用复杂网络理论对伪周期时问序 列进行了分析．把序列的每一个周期片段映射成一 个节点，如果两个周期片断的相空间距离或者相关 系数满足一定条件，这两个序列片断对应的节点就 相连，从而构建网络．对网络的统计性质，如度分布、 平均路径长度、聚类系数等进行考察，发现不同动力 学过程产生的序列，对应的网络拓扑结构表现出明 显的差异——噪声周期信号生成随机网络；混沌时 间序列生成具有小世界和无标度特性的网络．网络 的统计性质可以反映和量化嵌入混沌吸引子的不稳 定周期轨道的层次结构． 采用这种方法对时间序列进行分析，的确可以 从宏观尺度挖掘到网络的一些信息，如度分布、平均 路径长度等；但有的网络即使全局性信息相同，但仍 存在显著的局部性差异，这就要求从微观尺度探测 系统内部的结构特征．文献［８］研究了网络的不同子 图出现的相对频率，用来刻画不同类型的连续性系 统，找出隐藏在内部的信息差异，并据此为序列分 类．事实证明，这种方法确实可以将混沌、超混沌和 噪声等信号区分开来． 文献［９—１３］从时间序列分析的相空间重构出 发，把长度固定的时间序列片段映射为网络的节点， 这些节点之间的关联系数作为判断这些节点之间是 否连接的依据．当关联系数绝对值大于某一阈值的 时候，认为两个节点连接．该文中提出了一个有效确 息，甚至会给系统带来伪相关． 文献［１４—１５］提出了一种基于流体动力学复杂 网络的等价方法，并成功地应用于气液两相流中导电 信号的非线性系统．文献［１６］也采用相似的技术，考 虑了多个序列之间的关系网络．把每个时间序列作为 节点，而序列之问的关联系数作为连接与否的依据． 文献［１７—１８］提出了一种可见图的方法．时间 序列的点映射成节点，如果两个节点之间的所有节 点都落在这两个节点连线的下面，也就是两个节点 “可见”，两者之间建立边连接．这种网络的优点是保 持了原时间序列的大部分性质，周期序列、随机序 列、分形序列分别转化为规则网络、随机网络和无标 度网络． 可见图的一个重要的应用是估算分数布朗运动 的休斯特指数（Ｈｕｒｓｔ ｅｘｐｏｎｅｎｔ）．分数布朗运动的可 见图的度分布满足幂律函数，理论推导知，幂律指数 是休斯特指数Ｈ的线性函数，ａ＝３—２Ｈ．文献 ［１９］考察了分数布朗运动和多重分形随机游走序列 的可见图方法，地得出此结论． 可见图首先应用于汇率序列的分析ｌ１ ．选取６ 个重要的汇率序列作为研究对象（ＣＡＤ加元，ＥＵＲ 欧元，ＪＰＹ日元，ＧＢＰ英镑，ＮＺＤ新西兰元和ＡＵＤ 澳元）．结果表明，这些序列最后转化成了无标度和 具有层次结构的网络，度分布的标度指数和Ｈ之间 服从分数布朗运动的分析预测．将可见图方法与小 波最大模方法算出的Ｈ结果进行对比，证明了可见 图算法的可靠性．欧元和日元的汇率被广泛用来评 估风险和估计风险投资中的趋势．这两种汇率序列 的可见图的层次性比其它汇率序列的要弱得多，这 说明可见图揭示出了汇率序列的非平凡性质． 可见图也用于心跳信号分析Ⅲ２ ．研究发现，相 应的网络都是无标度网络、具有很高的聚类系数、明 显的层次结构和明显的同配混合性，尤其是可以用 网络的同配系数识别充血性心力衰竭．文献［２１］对 此提出了质疑，指出序列长度（网络的规模）对同配 混合模式的影响，认为同配系数不能作为划分健康 第１期 赵丽丽，等：基于复杂网络理论的时间序列分析 ４９ 者与病人的指标． 由于可见图构造规则的原因，可见图很难进行 ＝ １ ＋ｆ・ ２ ， ＝１，２，…，Ｎ 式中，厂为调节序列中两个序列成分相对强度的 参数． 一理论分析，为此文献Ｅ２２］提出了可见图的子图～— 水平可见图．水平可见图的定义是在可见图基础上 简化而来的．构建规则是序列数据点作为节点，如果 个多重的叠加序列可以表示为 ＝．厂１・ １ ＋ ・ ２ ＋…＋ｆ ・ 两个节点的值大于它们之间的所有节点的值，在这 两个节点之间建立一条边．该方法可以很容易地将 混沌与随机序列区分开来，包括低维混沌、噪声低维 式中，Ｗ为组分的个数； 图１为两个分数布朗运动混合序列与原始序列 的度分布ｐ（ ）函数与度ｋ关系示意图．混合相对 混沌、高维混沌序列．与其它算法相比较，该算法的 计算成本低，可以得到精确的解析解．但是，该方法 是否可以量化混沌，还要考虑到表达混沌的一些通 用指标（如李亚普诺夫指数、相关维数等），此问题有 待于进一步深入研究． 综上所述，时间序列映射到复杂网络，采用复杂 网络理论提取时问序列特征，已经开展了一些具有 启发意义的方法和理论研究．对实际序列分析表明 这一方向具有潜在的应用前景．但是，这些研究都是 针对理论模型产生的标准序列进行的．当应用于现 实序列的分析时，仍有许多基本的问题需要解决．现 实时间序列是非平稳的，也不可避免地受到噪声的 影响．理论上可以看作是平稳序列与趋势序列以及 噪声信号的叠加．因此，必须回答的问题包括混合序 列中各种成分竞争特点和复杂网络研究时问序列能 够给出那些新的信息．笔者将以可见图方法为例，考 虑具有不同修斯特指数的分数布朗运动的混合序 列，探索这些成分之问的竞争特点．与小波分析方法 比较，阐释可见图方法的优缺点，指出联合使用小波 分析和可见图的必要性．进一步把可见图方法推广 到二维地貌的描述，提出二维可见图（２Ｄ ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈ）概念．在此基础上指出发展方向． ２数布朗运动混合序列可见图 实际时间序列往往是多个时间序列的整合，如 各种经济指数、股市综合指数等．如何理解这些时间 序列的复杂网络性质，是一个基本的问题．为此研究 了多个分数布朗运动叠加序列中多成分竞争问 题［２ ，分析了时间序列竞争对可见图性质的影响． 发现对于由两个不同指数分数布朗运动序列得到的 混合序列，可见图的性质由具有较小Ｈ指数的序列 成分决定．这个结论可以推广到多成分混合序列． 首先产生两个标准化的ｆＢｍ序列｛Ｙ ｉ『 ＝１， ２，…，Ｎ｝和｛ ｚ ｌ ＝ｌ，２，…，Ｎ），对应的分形指数 分别为Ｈ 和Ｈｚ．一个混合序列可以表示为 强度为１，Ｈ 和Ｈ 分别为０．２，０．５．原始序列和混 合序列的可见图都为无标度网络，并且混合序列的 无标度指数与Ｈ为０．２的序列的无标度指数相近． 图２为混合序列可见图度分布指数ａ 与混合 成份的Ｈ 和Ｈ 的关系．发现混合序列的度分布都 满足幂律，并且幂律指数与具有较小的Ｈ指数的分 数布朗运动序列的指数相同．图３（见下页）为厂对 ａ 的影响，可以观察到大约．，≥０．２的时候，较小Ｈ 的序列成分在可见图中占主导地位． 图１ 混合序列可见图的ｐ（ｋ）与 的关系 Ｆｉｇ．１ Ｄｅｇｒｅｅ ｄｉｓｔｉｂｕｔｉｏｎ，Ｐ（ ）ｆｏｒ ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈｓ ｏｆ ｎｖｘｅｄ ｓｅｒｉｅｓ 图２口 与混合成份Ｈ 和Ｈｌ２的关系 Ｆｉｇ．２ Ｒｅｌａｔｉｏｎ ｏｆ ｖｅｒｓｕｓＨ１ ａｎｇ Ｈ２ ３二维地貌可见图 现在的研究，主要是针对一维时问序列开展的 上海理工大学学报 ２０１１年第３３卷 而实际上二维空问的数据分析，有着更加广泛的应 Ｐ／（１—３Ｐ）的二维规则粗糙表面．计算原始地貌和 打乱顺序的地貌二维可见图的度分布见图４所示的 二维可见图度分布指数ａ与第一生成元取值Ｐ的 关系，层次结构图见图５所示的层次结构指数』９与 Ｐ的关系． 用背景．在生物、物理、地理、大气等诸多领域，地貌 （１ａｎｄｓｃａｐｅ）是一个重要的概念＿＿２４］．如蛋白质折叠过 程由二维空间上的势能曲面决定．而一个表面的粗 糙度是认识力学、催化等作用的重要概念．因此，如 何把复杂网络理论应用于地貌研究，有着重要的理 从图中可以看出，不同尺度下，同一类型的标度 指数变化不大．原始地貌和打乱次序的地貌的可见 图的节点度布服从幂律分布，并且原始地貌的幂律 论和应用价值．为此本文提出二维可见图（２Ｄ ｖｉｓｉ— ｂｉｌｉｔｙ ｇｒａｐｈ）概念，作为应用的例子研究了分形表面 的结构特征． ｎ＿ ｚＩ ‘ ｌ Ｉ 一：：一・…・—，・一－一 一＾ Ｈｌ—ｏ．ｓ ：跽▲ 。・７ ；： 。～ Ａ２￣ ０．２０ ．３ ．４ ＼。：一～ ．一 ．一 ５ ４ ４ ０ ５ Ｏｏ 一—志 ｌ：０ ３ Ｏ一 （ｂ） 姑ｚ．４１ ２．１ ．。＼ 。 ： ▲ ：慧▲ｕ’ ‘ ８ ＼ ～ 一 二誓一： 一 ～ １．５一Ｌ…一一 Ｌ—— 图３ ｆ对 的影响 Ｆｉｇ．３ Ｉｍｐａｃｆｏｆｆ ｏｎ 对于二维空间的数据，对其行、列分别应用可见 图规则，构成二维可见图．二维规则分形粗糙表面可 以由生成元逐次迭代生成，测度量是表面上的几何 高度，即在二维表面上各点处的几何高度是按一定 的生成规则分布的［２ ． 多分形用于二维粗糙表面的定量表征，简单分 形维数仅可以对粗糙表面做整体上的表征，多重分 形谱可以全面反映表面上几何高度的概率分布，但 无法体现空问结构特征．利用复杂网络中度分布、群 集系数、层次结构、社区结构等参量，不仅可以从统 计角度对物体表面粗糙程度进行表征，还可以更清 晰地反映表面的局部信息． 选择３２×３２和６４×６４尺度的生成元为Ｐ／Ｐ／ 指数明显低于打乱顺序的地貌的幂律指数，说明二 维可见图能提取到地貌结构相关的信息．从层次结 构图来看，分形地貌的卢更接近于１，因此其层次结 构明显好于打乱顺序之后的网络． ８ ３ ３ ２ ２ ５ Ｏ ５ Ｏ ０．０５ ０．１０ ０．１５ Ｏ．２０ ０．２５ ０＿３０ ０．３５ Ｐ 图４ 与Ｐ的关系 Ｆｉｇ．４ Ｒｅｌａｔｉｏｎ ｏｆａｖｅｒｓｕｓ Ｐ 图５卢与Ｐ的关系 Ｆｉｇ．５ Ｒｅｌａｔｉｏｎ ｏｆ ｖｅｒｓｕｓ Ｐ ４联合使用小波分析和可见图 作为一种新的时间序列分析工具，时间序列的 复杂网络理论能否给出一些新的，其它方法不能揭 示的时问序列特征和隐含的动力学性质，这是必须 要回答的问题． 第１期 赵丽丽，等：基于复杂网络理论的时间序列分析 ５１ 关于这一问题，本文比较了分数布朗运动的线 性叠加序列和多分形序列的可见图的性质．发现对 于这两种不同的时间序列，小波方法发现都具有多 分形性质，不能有效识别之问的差异；而可见图的度 意的问题，因为文献中经常采用多分形模型去模拟 和再现现实中的具有多分形特征的时间序列．可见 图能够区分这两种多分形序列，但是不能区分单分 形和混合序列．因此联合运用小波分析和可见图分 分布，对于线性叠加序列小的Ｈ成份占优势，仍呈 现为无标度特征；多分形序列的可见图的度分布失 去了无标度特征．因此，结合小波分析和可见图方 析才能较好地识别这两种完全不同性质的序列，给 出可靠的关于序列形成机制的结论． 法，才能更好地区分这两种时间序列． 考虑两个有不同的Ｈ值的单分形序列叠加后 的竞争行为．图６为线性叠加分数布朗运动的多份 形谱Ｄ（ｈ）与分形维数ｈ的关系，图６中给出了Ｈ 分别为０．５和０．８的两个序列叠加（权重因子为１） 得到的混合序列的多分形谱．这一叠加序列是一个 多重分形序列，其分形强度△ ＝０．３９．也就是说两 个单分形序列叠加的序列已经不是单分形的序列 了，而是具有一定分形强度的多重分形序列．Ｈ值 为０．５４．也就是混合序列的Ｈ更接近于Ｈ为０．５ 的序列成分．这也进一步验证了具有较小Ｈ值的成 分主导混合序列性质的结论． １．０ ０．９ ０．８ Ｏ．７ 日０．６ ０．５ ０．４ ０－３ ０．４ ０．５ Ｕ．６ Ｕ． ０．８ ｈ 图６ Ｄ（ｈ）与ｈ的关系 Ｆｉｇ．６ Ｍｕｌｔｉ－ｆｒｏｌｆａｌ ｓｐｅｃｔｒａｍ，Ｄ（ｈ） 现考虑二进制模型产生的多重分形时问序列 ＝ａ ’（１一ａ）”ｍｘ～ ’，ｋ＝１，２，…，Ｎ．其中 ０．５＜ ＜１，序列长度为Ｎ＝２”ｒｍｘ，参数ｎ（ｋ）为把 十进制数 转换成二进制并计算出其中１的个数， 例如 （１３）＝３． 上述二进制模型给出的时间序列是多重分形序 列．以ａ＝０．７５，序列长度为６５ ５３６为例，由图７所 示的二进制模型产生的多分型序列可见图的Ｐ（七） 与 关系可见，Ｐ（ ）在双对数坐标下呈非线性．调 整参数ａ从０．５到１，以０．０５为间隔，得到的结果 都呈现非幂率分布． 因此，小波分析不能区分单分形叠加得到的混 合序列和模型产生的多分形序列．这是一个值得注 １００ １０ １００ 图７多分形序列可见图ｐ（ｋ）与ｋ关系 Ｆｉｇ．７ Ｄｅｇｒｅｅ ｄｉｓｔｉｂｕｔｉｏｎ Ｐ（ｋ）ｆｏｒ ｖｉｓｉｂｉｌｉｆｙ ｒｇａｐｈｓ ｏｆ ｍｕｌｔｉ—ｆｒａｃｔａｌ ｓｅｒｉｅｓ ５ 总 结 采用复杂网络理论分析时间序列，处于刚刚起 步阶段．发展有效的时间序列映射到网络的方法是 关键．从理论走向应用必须解决一系列的问题，这是 进一步发展的方向．一个普遍存在的问题是噪声问 题．复杂系统不可避免地会受到外界的噪声的影响； 同时现实的时问序列都是有限长度的，基于有限个 长度的时间序列的关联分析，会带来统计上的涨落． 因此，噪声对结果的影响是必须解决的问题之一． 另一个是趋势的影响．时间序列一般来讲存在 着宏观意义上的趋势，如人口数量在涨落的同时持 续的增加、股票价格的总体上涨等．这些趋向的存 在，是以统计理论为基础的序列关联所不允许的．在 时间序列分析中，消除趋向带来的伪结果，一直是研 究的核心内容之一．因此，时问序列的趋向对结果的 影响以及如何消除这一影响是必须解决的问题 之二． 第三个，也是核心的问题，发展起来的方法能否 给出新的，其它方法不能给出的性质．这也是诸多方 法的缺陷所在． 参考文献 ［１］ＭＡＮＴＥＧＮＡ Ｒ Ｎ，ＳＴＡＢＬＥＹ Ｈ Ｅ．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｅ— ｃｏｎｏｍｉｃ Ｐｈｙｓｉｃｓ：Ｃｏｒｒｅｌａｔｉｏｎｓ＆Ｃｏｍｐｌｅｘｉｔｙ ｉｎ Ｆｉｎａｎｃｅ ５２ 上海理工大学学报 ２０１１年第３３卷 ［Ｍ］．Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，２０００． ［２］ＳＭＡＩ．Ｌ Ｍ．Ａｐｐｌｉｅｄ Ｎｏｎｌｉｎｅａｒ Ｔｉｍｅ Ｓｅｒｉｅｓ Ａｎａｌｙｓｉｓ： Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｐｈｙｓｉｃｓ［Ｍ］．Ｓｉｎｇａｐｏｒｅ：Ｗｂｒｌｄ Ｓｃｉｅｎｔｉｆ— ｉｃ。２００５． Ｎｅｗ Ｊ Ｐｈｙｓ，２０１０，１２：０３３０２５． ［１４］ ＧＡＯ Ｚ，ＪＩＮ Ｎ．Ｆｌｏｗ—ｐａｔｔｅｒｎ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｎｏｎ— ｌｉｎｅａｒ ｄｙｎａｍｉｃｓ ｏｆ ｇａｓ—ｌｉｑｕｉｄ ｔｗｏ——ｐｈａｓｅ ｆｌｏｗ ｉｎ ｃｏｍ— ｐｌｅｘ ｎｅｔｗｏｒｋｓ【Ｊ］．Ｐｈｙｓ Ｒｅｖ Ｅ，２００９，７９：０６６３０３． ［３］ ＳＴＡＮＥＹ Ｈ Ｅ，ＰＬＥＲ０Ｕ Ｖ，ＧＡＢＡＩＸ Ｘ．Ａ ｓｔａｔｉｓｔｉｃａｌ ｐｈｙｓｉｃｓ ｖｉｅｗ ｏｆ ｆｉｎａｎｃｉａ１ ｆｌｕｃｔｕａｔｉｏｎｓ：Ｅｖｉｄｅｎｃｅ ｆｏｒ ［１５］ ＧＡＯ ｚ，ＪＩＮ Ｎ．Ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ａｐｐｌｉａｔｉｃｏｎｓ ｔｏ ｇａｓ——ｌｉｑｕｉｄ ｔｗｏ—— ｓａｌｃｉｎｇ ａｎｄ ｕｎｉｖｅｒｓａｌｉｔｙ ＥＪ１．Ｐｈｙｓｉｃａ Ａ，２００８，３８７： ３９６７—３９８１． ｐｈａｓｅ ｆｌｏｗ［Ｊ］．ＬＮＩＣＳＴ，２００９，５：１９１７—１９２８． ［１６］ ＬＵ０ Ｆ．Ｃｏｎｓｔｒｕｃｔｉｎｇ ｇｅｎｅ ｃｏ—ｅｘｐｒｅｓｓｉｏｎ ｎｅｔｗｏｒｋｓ ｒ ４］ＡＬＢＥＲＴ Ｒ，ＢＡＲＡＢＡＳＩ Ａ Ｌ．Ｓｔａｔｉｓｔｉｃａｌ ｍｅｃｈａｎｉｃｓ ｏｆ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｒｅｖ Ｍｏｄ Ｐｈｙｓ，２００２，７４： ４７—９７． ［５］ＡＬ（）Ｎ Ｕ．Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｙｓｔｅｍｓ Ｂｉｏｌｏｇｙ：Ｄｅｓｉｇｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｂｉｏｌｏｇｉｃａｌ Ｃｉｒｃｕｉｔｓ［Ｍ］．Ｐｅｎｎｓｙｌｖａｎｉａ： Ｃｈａｐｍａｎ＆Ｈａｌｌ／ＣＲＣ，２００６． ［６］ Ｚ ＮＧ Ｊ，ＳＡＭＬＬ Ｍ．Ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｆｒｏｍ ｐｓｅｕｄｏ— ｐｅｒｉｏｄｉｃ ｔｉｍｅ ｓｅｒｉｅｓ：Ｔｏｐｏｌｏｇｙ ｖｅｒｓｕｓ ｄｙｎａｍｉｃｓ［Ｊ］． Ｐｈｙｓ Ｒｅｖ Ｌｅｔｔ，２００６，９６：２３８７０１． ［７］ ＺＨＡＮＧ Ｊ，ＬＵ０ Ｘ，ＮＡＫＡＭＵＲＡ Ｔ，ｅｔ ａ１．Ｄｅｔｅｃｔｉｎｇ ｔｅｍｐｏｒａｌ ａｎｄ ｓｐａｔｉａｌ ｃｏｒｒｅｌａｔｉｏｎｓ ｉｎ ｐｓｅｕｄｏ—ｐｅｒｉｏｄｉｃ ｔｉｍｅ ｓｅｒｉｅｓ＿Ｊ］．Ｐｈｙｓ Ｒｅｖ Ｅ，２００７，７５：０１６２１８． ［８］ ＸＵ Ｘ，Ｚ｝ＩＡＮＧ Ｊ，ＳＭＡＬＬ Ｍ．Ｓｕｐｅｒ—ｆａｍｉｌｙ ｐｈｅｎｏｍｅ— ｎａ ａｎｄ ｍｏｔｉｆ ｏｆ ｎｅｔｗｏｒｋｓ ｉｎｄｕｃｅｄ ｆｒｏｍ ｔｉｍｅ ｓｅｒｉｅｓ ［Ｊ］．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ，２００８，１０５：１９６０１—１９６０５． ｒ ９］ ＹＡＮＧ Ｙ，ＹＡＮＧ Ｈ．Ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ—ｂａｓｅｄ ｔｉｍｅ ｓｅ— ｒｉｅｓ ａｎａｌｙｓｉｓ［Ｊ］．Ｐｈｙｓｉａｃ Ａ，２００８，３８７：１３８１—１３８６． ［１Ｏ］ ＪＩＡＮＧ Ｚ，ＹＡＮＧ Ｈ，ＷＡＮＧ Ｊ．Ｃｏｍｐｌｅｘｉｔｉｅｓ ｏｆ ｈｕｍａｎ ｐｒｏｍｏｔｅｒ ｓｅｑｕｅｎｃｅｓ［Ｊ］．Ｐｈｙｓｉｃａ Ａ，２００９，３８８：１２９９— １３０２． ［１１１ ＷＡＮＧ Ｊ，ＹＡＮＧ Ｈ．Ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｂａｓｅｄ ａｎａｌｙｓｉｓ ｏｆ ａｉｒ ｔｅｍｐｅｒａｔｕｒｅ ｄａｔａ ｉｎ Ｃｈｉｎａ［Ｊ］．Ｍｏｄ Ｐｈｙｓ Ｌｅｔｔ Ｂ，２００９，２３：１７８１—１７８９． Ｅｌ２］ ＹＡＮＧ Ｙ，ＷＡＮＧ Ｊ，ＹＡＮＧ Ｈ，ｅｔ ａ１．Ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈ ａｐｐｒｏａｃｈ ｔｏ ｅｘｃｈａｎｇｅ ｒａｔｅ ｓｅｒｉｅｓ［Ｊ］．Ｐｈｙｓｉｃａ Ａ， ２００９，３８８：４４３１—４４３７． ｒ１３］Ｄ０ＮＮＥＲ Ｒ Ｖ，ＺＯＵ Ｙ．Ｒｅｃｕｒｒｅｎｃｅ ｎｅｔｗｏｒｋｓ ａ ｎｏ— ｖｅｌ ｐａｒａｄｉｇｍ ｆｏｒ ｎｏｎｌｉｎｅａｒ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ［Ｊ１． ａｎｄ ｐｒｅｄｉｃｔｉｎｇ ｆｕｎｃｔｉｏｎｓ ｏｆ ｕｎｋｎｏｗｎ ｇｅｎｅｓ ｂｙ ｒａｎｄｏｍ ｍａｔｒｉｘ ｔｈｅｏｒｙ［Ｊ］．ＢＭＣ Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ，２００７，８：２９９． ［１７］ＬＡＣＡＳＡ Ｌ，ＬＵＱＵＥ Ｂ，ＬＵＱＵＥ Ｊ，ｅｔ ａ１．Ｆｒｏｍ ｔｉｍｅ ｓｅｒｉｅｓ ｔｏ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ：Ｔｈｅ ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈ［Ｊ］． Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ，２００８，１０５：４９７２—４９７５． Ｅ１８］ＬＡＣＡＳＡ Ｌ，ＬｕＱＵＥ Ｂ，ＬＵＱＵＥ Ｊ，ｅｔ ａ１．Ｔｈｅ ｖｉｓｉｂｉｌｉ— ｔｙ ｇｒａｐｈ：Ａ ｎｅｗ ｍｅｔｈｏｄ ｆｏｒ ｅｓｆｉｍａｔｉｎｇｔｈｅ ｈｕｒｓｔ ｅｘｐｏ— ｎｅｎｔ ｏｆ ｆｒａｃｔｉｏｎａｌ Ｂｒｏｗｎｉａｎ ｍｏｔｉｏｎ［Ｊ］．Ｅｕｒｏｐｈｙｓ Ｌｅｔｔ，２００９，８６：３０００１． ［１９］ＮＩ Ｘ，ＪＩＡＮＧ Ｚ，ＺＨＯＵ Ｗ．Ｄｅｇｒｅｅ ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｏｆ ｔｈｅ ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈｓ ｍａｐｐｅｄ ｆｒｏｍ ｆｒａｃｔｉｏｎａｌ Ｂｒｏｗｎｉａｎ ｍｏ— ｔｉｏｎｓ ａｎｄ ｍｕｌｔｉ—ｆｒａｃｔａｌ ｒａｎｄｏｍ ｗａｌｋｓ［Ｊ］．Ｐｈｙｓ Ｌｅｔｔ Ａ，２００９，３７３：３８２２—３８２６． ２０ ｌ ｓＨＡ０ Ｚ．Ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｏｆ ｈｕｍａｎ ｈｅａｒｔｂｅａｔ ｄｙ— ｎａｍｉｃｓ＿Ｊ］．Ａｐｐｌ Ｐｈｙｓ Ｌｅｔｔ，２０１０，９６：０７３７０３． Ｉ ２１ １ ＺＨＡ０ Ｄ。ＬＩ Ｘ．Ｃｏｍｍｅｎｔ ｏｎ“Ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｏｆ ｈｕ— ｍａｎ ｈｅａｒｔｅｂａｔ ｄｙｎａｍｉｃｓ”［Ｊ］．Ａｐｐｌ Ｐｈｙｓ Ｌｅｔｔ，２０１０， ９６：２６６１０１． ［２２］ ＬＵＱＵＥ Ｂ，ＬＡＣＡＳＡ Ｌ，ＢＡＬＬＥＳＴＥＲ０Ｓ Ｆ，ｅｔ ａ１． Ｈｏｒｉｚｏｎｔａｌ ｖｉｓｉｂｉｌｉｔｙ ｇｒａｐｈｓ：Ｅｘａｃｔ ｒｅｓｕｌｔｓ ｆｏｒ ｒａｎｄｏｍ ｔｉｍｅ ｓｅｒｉｅｓ［Ｊ］．Ｐｈｙｓ Ｒｅｖ Ｅ，２００９，８０：０４６１０３． ［２３］王建波．基于复杂网络理论的时间序列分析［Ｄ］．上 海：上海理工大学，２０１０． ［２４１ ＢＭ Ｙ．Ｐｒｏｔｅｉｎ Ｆｏｌｄｉｎｇ Ｐｒｏｔｏｃｏｌｓ［Ｍ］．Ｎｅｗ Ｊｅｒｓｅｙ： Ｈｕｍａｎ Ｐｒｅｓｓ，２００８． ［２５］孙霞，吴自勤，黄昀．分形原理及其应用［Ｍ１．合肥：中 国科学技术大学出版社，２００３：６０—６７． （责任编辑：金虹）
